🚀 从零搭建 Ubuntu22.04 + Python3.11 + PyTorch2.5.1 GPU Docker 镜像并上传 Docker Hub

在 AI 项目开发中，构建统一的运行环境是一件非常重要的事情。使用 Docker 可以极大地提升部署效率、保证环境一致性。本文将手把手带你：

✅ 构建一个基于 CUDA 12.4 + Ubuntu 22.04 的 GPU 镜像
✅ 安装 Python 3.11 + PyTorch 2.5.1
✅ 安装本地 .whl 依赖包及项目依赖
✅ 上传到 Docker Hub 并验证可用性！

🧠 适用场景

使用 PyTorch 开发深度学习模型
使用 CUDA GPU 加速推理与训练
需要将环境封装为容器镜像，方便部署或分享
想将镜像公开发布到 Docker Hub

📦 环境准备

环境项	版本/说明
基础镜像	`nvidia/cuda:12.4.0-devel-ubuntu22.04`
Python	3.11
PyTorch	2.5.1（CUDA 12.4）
镜像目标名	`yangjinyanxian/wan2.1:ubt2204-cu124-py311-pt251`
构建工具	Docker CLI + Docker Hub 账号

🧱 Step 1：编写 Dockerfile

创建一个名为 Dockerfile 的文件，内容如下：

FROM nvidia/cuda:12.4.0-devel-ubuntu22.04# 创建项目目录
RUN mkdir -p /wan2.1
WORKDIR /wan2.1# 拷贝本地项目代码
COPY wan2.1 /wan2.1# 安装 Python 3.11 及依赖
RUN apt-get update && apt-get install -y \python3.11 python3.11-venv python3.11-dev python3-pip \build-essential cmake git curl wget libgl1-mesa-glx# 升级 pip 并使用 Python3.11
RUN python3.11 -m pip install --upgrade pip# 安装基础 Python 包
RUN pip install packaging modelscope "xfuser>=0.4.1" \-i https://pypi.tuna.tsinghua.edu.cn/simple# 安装 PyTorch + CUDA 12.4 版本
RUN pip install torch==2.5.1 torchvision==0.20.1 torchaudio==2.5.1 \--index-url https://download.pytorch.org/whl/cu124 \--extra-index-url https://pypi.tuna.tsinghua.edu.cn/simple# 安装本地 flash-attn .whl 包
RUN pip install /wan2.1/flash_attn-2.8.0.post2+cu12torch2.5cxx11abiFALSE-cp311-cp311-linux_x86_64.whl# 安装项目 requirements.txt 中的依赖
RUN pip install -r /wan2.1/requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

🧪 Step 2：构建 Docker 镜像

在 Dockerfile 所在目录打开终端，执行以下命令：

docker build -t wan2.1:ubt2204-cu124-py311-pt251 .

📌 注意事项：

下载 PyTorch 的 CUDA wheel 需要一定时间；
可以使用清华源避免超时下载失败；
如果遇到 .whl 下载中断，可使用 --resume-retries 恢复下载。

🏷️ Step 3：打标签为 Docker Hub 镜像名

Docker Hub 镜像名的格式是：用户名/仓库名:标签，务必使用 小写字母：

docker tag wan2.1:ubt2204-cu124-py311-pt251 yangjinyanxian/wan2.1:ubt2204-cu124-py311-pt251

🔐 Step 4：登录 Docker Hub

docker login

输入你的用户名和密码即可。

☁️ Step 5：推送镜像至 Docker Hub

docker push yangjinyanxian/wan2.1:ubt2204-cu124-py311-pt251

推送成功后，你可以在浏览器打开查看：

🔗 https://hub.docker.com/r/yangjinyanxian/wan2.1

🧪 Step 6：验证镜像是否可用

我们启动一个容器进行测试：

docker run -it --rm --gpus all yangjinyanxian/wan2.1:ubt2204-cu124-py311-pt251 bash

在容器中运行以下命令：

python3.11 -c "import torch; print(torch.cuda.is_available())"

若输出为 True，说明 CUDA 环境安装成功，PyTorch GPU 支持正常 ✅

📁 项目结构示例

确保你的目录结构如下：

.
├── Dockerfile
└── wan2.1├── flash_attn-2.8.0.post2+cu12torch2.5cxx11abiFALSE-cp311-cp311-linux_x86_64.whl├── requirements.txt└── (其他项目代码)

🧩 常见问题 FAQ

❓ Q: 镜像构建失败，下载不完整怎么办？

A: PyTorch wheel 文件体积较大，建议使用国内镜像源如 TUNA，或在 Dockerfile 中加入 --resume-retries 参数尝试断点续传。

✅ 总结

通过本文，你已经学会了如何：

构建一个带 GPU 支持的深度学习开发镜像；
使用 PyTorch 2.5.1（CUDA 12.4）环境；
发布并托管 Docker 镜像至 Docker Hub；
验证 GPU 环境正常运行！

🎉 这将极大提升你的项目部署效率，尤其是在多人协作或跨平台部署场景中。

📣 使用说明 — Docker 镜像 `yangjinyanxian/wan2.1:ubt2204-cu124-py311-pt251`

镜像简介

这是基于 nvidia/cuda:12.4.0-devel-ubuntu22.04 的深度学习环境，包含：

Python 3.11
PyTorch 2.5.1 (CUDA 12.4 版本)
其他依赖包和你项目里的库

适合需要 CUDA 12.4 + PyTorch 2.5.1 的环境。

使用前提

已安装 Docker（推荐 20.10+ 版本）
NVIDIA GPU + 已安装 NVIDIA Container Toolkit，支持 GPU 加速
可访问 Docker Hub

拉取镜像

docker pull yangjinyanxian/wan2.1:ubt2204-cu124-py311-pt251

运行镜像（交互式终端）

docker run --gpus all -it --rm yangjinyanxian/wan2.1:ubt2204-cu124-py311-pt251 /bin/bash

--gpus all：启用所有 GPU 资源
-it：交互式终端
--rm：退出后删除容器，节省空间

挂载本地目录（示例）

如果你需要访问本地代码或数据，比如本地的 /home/user/project：

docker run --gpus all -it --rm -v /home/user/project:/workspace yangjinyanxian/wan2.1:ubt2204-cu124-py311-pt251 /bin/bash

容器内路径 /workspace 即为你本地目录。

运行你的 Python 脚本

容器内直接执行：

python3.11 your_script.py

其他说明

镜像内已预装项目依赖（详见 requirements.txt）
需要安装额外包可在容器内使用 pip install
退出容器使用 exit 或 Ctrl+D

如果你在使用过程中遇到问题或有改进建议，欢迎留言交流！

📣 欢迎点赞 👍 收藏 ⭐ 留言交流 💬！

📌 你可能还想看

✨通义万相2.1深度解析：AI视频生成引擎FLF2V-14B全流程指南（命令行参数+模型架构+数据流）
✨通义万相 2.1（Wan2.1）环境搭建指南：基于 CUDA 12.4 + Python 3.11 + PyTorch 2.5.1 GPU加速实战
✨自定义 CUDA 与 Python 容器：实现 Diffusers 和 vLLM 大模型极速推理